Social media in nursing and midwifery education: A mixed study systematic review
Notice bibliographique
Résumé
AIM: To synthesize evidence on the effectiveness of social media in nursing and midwifery education. BACKGROUND: Social media are being explored to see if these online tools can support teaching, learning, and assessment. DESIGN: A mixed study systematic review. DATA SOURCES: A systematic search of PubMed, MEDLINE, CINAHL, Scopus, and ERIC was run in January 2016. An updated search was run in June 2017. No date limits were applied. METHODS: Titles, abstracts, and full papers were screened against inclusion criteria by two independent reviewers, who extracted and quality assessed data. Synthesis followed a sequential explanatory approach. RESULTS: Twelve studies were included. Social media seemed to support students to acquire new knowledge and skills. The learning process centred on the interactive nature of the platforms which allow information to be dynamically shared and discussed in near real time. The characteristics of social media enabled social support and a more student-centred setting, which appeared to enhance collaborative learning, although information quality was sometimes problematic. Learning via social media was underpinned by how well the educational interventions were organized, digital literacy and e-Professionalism of students and faculty, the accessibility of the online applications, and personal motivation. CONCLUSION: This review provides the first rigorous synthesis of social media in nursing and midwifery education. A new Social Media Learning Model was conceptualized to aid our understanding of learning via this technology. Knowledge gaps are identified and recommendations on how to capitalize on social media to improve learning in higher and continuing education provided.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».